Trajectory raggiunge $45M: la nuova unicorno AI per non‑esperti | Antonio Pedoto
Tra la startup Trajectory, il nuovo round da $45 milioni di Sequoia, Accel e Google Cloud Ventures ha spinto la valutazione a $300 milioni, promettendo una piat
Il salto di Trajectory: da startup a unicorno in un anno
Il più recente round di finanziamento di $45 milioni ha messo in chiaro che Trajectory non è più una semplice sperimentazione, ma una realtà pronta a ribaltare le regole del gioco. Il capitale è stato guidato da Sequoia Capital e Accel, due giganti del venture capital già noti per aver investito in Snowflake e Databricks. A completare il round c'è anche Google Cloud Ventures, che ha evidenziato l’interesse per la capacità della piattaforma di “abbattere le barriere tra data science e business”. La composizione degli investitori non è casuale: fondi con esperienza in infrastrutture AI e partner con reti di vendita globali indicano una strategia di scaling aggressiva e la volontà di posizionare Trajectory come “il punto di ingresso” per le organizzazioni che vogliono sperimentare l’AI senza un team di ingegneri dedicato.
Questa iniezione di liquidità ha spinto la valuation a $300 milioni, collocando la startup nella fascia degli unicorni più giovani del settore AI. Per metterla in prospettiva, basta confrontare Trajectory con concorrenti come DataRobot (valuation intorno a $2,5 miliardi) e H2O.ai (circa $1,2 miliardi). Sebbene questi colossi vantino una clientela più ampia e una storia più lunga, Trajectory ha guadagnato terreno grazie a due leve chiave: una UI drag-and-drop che permette a un product manager di assemblare un modello di classificazione in meno di 15 minuti, e un’architettura serverless che elimina la necessità di gestire GPU o cluster Kubernetes. In termini di rapporto valutazione/anno di attività, Trajectory si posiziona tra le startup più efficienti del panorama: un valore di $300 M in soli 12 mesi di vita è raro, soprattutto in un mercato dove la media è di 3-5 anni per raggiungere la soglia dei $100 M.
La strategia di crescita è altrettanto audace. Trajectory punta a triplicare la base clienti entro i prossimi 18 mesi, sfruttando tre leve operative: Canale partner - grazie al coinvolgimento di Google Cloud Ventures, la startup sta integrando il proprio marketplace con Google Cloud Marketplace, consentendo alle imprese di attivare un’istanza di Trajectory con un click e di pagare “pay-as-you-go”.
Verticalizzazione rapida - il team di prodotto ha già rilasciato modelli pre-addestrati per settori come il retail (raccomandazione di prodotto) e la sanità (triage di sintomi). Queste soluzioni “chiavi in mano” riducono il time-to-value per clienti non tecnici.
Programma di certificazione - una serie di corsi online certificati, sponsorizzati da partner educativi, mirano a creare una community di “AI champion” all’interno di aziende tradizionali.
💡 Lo sapevi che... Trajectory ha già firmato contratti pilota con più di 30 multinazionali, tra cui un noto brand di moda che ha usato la piattaforma per ottimizzare la previsione di domanda stagionale, riducendo gli stock in eccesso del 12 % in soli tre mesi.
Il risultato è un posizionamento di mercato che combina accessibilità (senza codice) e scalabilità (architettura cloud-native). In un ecosistema dove la complessità tecnica è ancora il principale ostacolo all’adozione dell’AI, Trajectory ha dimostrato che è possibile scalare rapidamente, attirare capitali di alto livello e, soprattutto, trasformare un’idea di “AI per tutti” in una realtà di business valutata $300 M in meno di un anno.
Perché l'addestramento AI è ancora un privilegio dei tecnici
L’intelligenza artificiale ha promesso di rivoluzionare ogni settore, ma oggi la sua implementazione rimane un privilegio riservato a pochi. Nonostante il progresso delle soluzioni low-code e dei framework open-source, addestrare un modello AI di qualità continua a richiedere competenze avanzate in programmazione, ingegneria dei dati e gestione di infrastrutture complesse. Basti pensare a un team di marketing che vorrebbe personalizzare un modello di natural language processing per analizzare feedback clienti in tempo reale: per farlo, dovrebbe prima costruire un pipeline di dati puliti, definire un’architettura di training su GPU, ottimizzare iperparametri e gestire il deployment. Senza una squadra di data scientist o ingegneri ML, il progetto si trasforma in un incubo di dipendenze e costi nascosti.
La complessità non è solo tecnica, ma anche organizzativa. Un’azienda che decide di sviluppare un modello interno si trova di fronte a una serie di ostacoli strutturali: Competenze specialistiche: Scrivere un data loader efficiente in Python o configurare un cluster Kubernetes per il training richiede mesi di formazione. Anche strumenti come Hugging Face o TensorFlow non eliminano la necessità di comprendere concetti come tokenization, fine-tuning o batch normalization. Infrastrutture costose: Addestrare un modello di grandi dimensioni su AWS o GCP può costare migliaia di dollari al giorno solo per l’uso delle GPU. Senza un budget dedicato o accesso a risorse cloud, molte aziende sono costrette a rinunciare o a limitarsi a modelli pre-addestrati, spesso poco adatti ai loro casi d’uso. Data engineering: Il 80% del lavoro in un progetto AI è dedicato alla preparazione dei dati. Pulire dataset, gestire labeling accurato e assicurare la reproducibility sono passaggi che richiedono strumenti come Pandas, PySpark o SQL avanzato, oltre a una conoscenza approfondita delle data pipelines.
🎯 Consiglio pratico: Se il tuo team non ha competenze interne, valuta l’uso di notebook pre-configurati su Google Colab o Kaggle, che offrono GPU gratuite per esperimenti iniziali. Tuttavia, ricordati che questi strumenti sono limitati a modelli piccoli o medi: per progetti produttivi, la complessità riemerge inevitabilmente.
Il divario tra chi può addestrare modelli AI e chi no non è solo tecnico, ma anche culturale. Le business unit-marketing, operations, customer support-si trovano spesso in una posizione di subordinazione nei confronti dei team IT, che detengono il monopolio delle risorse e delle competenze. Questo crea un circolo vizioso: i dipartimenti non tecnici devono aspettare che gli ingegneri abbiano tempo per implementare le loro idee, perdendo agilità e competitività. L’esempio di un’azienda che ha dovuto aspettare sei mesi per un modello di sentiment analysis personalizzato, pur avendo a disposizione dataset pronti, illustra bene il problema: l’AI diventa un bottleneck invece di un acceleratore.
La soluzione non è solo democratizzare l’accesso agli strumenti, ma ridisegnare i processi in modo che la creazione di modelli AI sia integrata nei flussi di lavoro quotidiani, non un progetto a sé stante riservato agli specialisti.
Come funziona la piattaforma no-code di Trajectory
Trajectory ha pensato la sua suite come un sistema modulare a blocchi.
Ogni tappa del ciclo di vita di un modello di intelligenza artificiale - dall’ingestione dei dati fino alla messa in produzione - è raggiungibile con un’interfaccia drag-and-drop.
Niente più righe di codice complesso, niente competenze di programmazione avanzata.
Parliamoci chiaro: l’obiettivo è trasformare lavori che di solito richiedono mesi di data scientist e ingegneri ML in pochi click e configurazioni guidate.
Al centro dell’architettura troviamo una pipeline visiva divisa in quattro fasi chiave: Data Ingestion, Preprocessing, Training e Deployment.
Ogni modulo è collegato all’altro; i dati scorrono da una fase all’altra in modo automatico, senza che sia necessario scrivere script su misura.
Immaginate, ad esempio, un team di marketing che carica un CSV di recensioni clienti, applica filtri di pulizia (rimozione di valori nulli, tokenizzazione) tramite un semplice menu a tendina e avvia l’addestramento di un modello di classificazione delle emozioni con un solo click.
Il risultato? Un’intera catena di lavoro pronta in pochi minuti.
AutoML e ottimizzazione automatica Trajectory inserisce al suo interno tecniche di AutoML (Automated Machine Learning).
Il sistema analizza di colpo le caratteristiche del dataset - dimensioni, distribuzione, tipo di variabili - e propone i modelli più adatti, che siano reti neurali, alberi decisionali o architetture basate su trasformatori.
E qui arriva il bello: l’algoritmo di hyperparameter tuning trova le configurazioni ottimali, tagliando il lavoro manuale di circa il 70-80 % rispetto ai metodi tradizionali.
💡 Lo sapevi che...
Trajectory permette anche il fine-tuning su modelli pre-addestrati (tipo quelli di Hugging Face), così da personalizzare grandi linguaggi o modelli visivi senza doversi preoccupare dell’infrastruttura sottostante.
Scalabilità e sicurezza: cloud e on-premise La piattaforma è pronta a girare sia su infrastrutture cloud pubbliche (AWS, GCP, Azure) sia in modalità on-premise.
Questo significa flessibilità per chi ha necessità di compliance o vuole tenere i dati sotto stretto controllo.
Gli utenti possono scegliere tra diverse opzioni di scalabilità: GPU dedicate, cluster distribuiti… e nulla di tutto ciò richiede una configurazione manuale dell’ambiente.
Facciamo un passo indietro: un’azienda sanitaria potrebbe usare Trajectory on-premise per addestrare un modello di diagnosi assistita, mantenendo i dati all’interno della rete e rispettando il GDPR.
Nel frattempo, una startup tech può sfruttare l’integrazione con AWS SageMaker per scalare il training su centinaia di istanze GPU nei momenti di picco.
Un esempio pratico: dalla raccolta alla distribuzione Vi siete mai chiesti come un team di e-commerce possa prevedere il churn dei clienti? Con Trajectory il percorso è lineare: Ingestione dei dati - si carica un dataset storico di transazioni e comportamenti utente, sia da un database SQL che da un file CSV.
Preprocessing - si normalizzano le feature, si gestiscono i valori mancanti e si creano nuove variabili (es. “giorni dall’ultimo acquisto”) tramite un’interfaccia a menu.
Training - la piattaforma seleziona automaticamente un modello (XGBoost, rete neurale, ecc.) e ottimizza gli iperparametri con un wizard guidato.
Deployment - il modello viene pubblicato come API REST o servizio integrato in un CRM, con monitoraggio continuo delle performance.
Il tutto senza scrivere una sola riga di Python o R.
Il risultato è un modello pronto per la produzione, scalabile e affidabile.
E allora? Non è forse il momento di provare una soluzione così snella?
Casi d'uso reali: dall’assistenza clienti alla previsione della domanda
Il vero valore di Trajectory si svela nei suoi casi d’uso pratici, dove team non tecnici trasformano i propri dati in AI performante senza scrivere un singolo script. Ecco come la piattaforma sta già cambiando il modo di operare in tre settori chiave. Chatbot personalizzati per il supporto clienti
Immaginate un’azienda di e-commerce che vuole ridurre i tempi di risposta e migliorare la soddisfazione dei clienti. Con Trajectory, il team di Customer Experience importa storie di chat, e-mail e ticket in un formato CSV, definisce le intenzioni di base (es. “Richiesta rimborso”, “Problema spedizione”) e lancia un modello di NLP in pochi click. La piattaforma genera automaticamente il pipeline di tokenizzazione, addestramento e tuning, restituendo un chatbot pronto a essere integrato con la piattaforma di ticketing. In pratica, il reparto non dipende più da ingegneri data-science; può testare diverse configurazioni di risposta, aggiungere nuove domande frequenti e monitorare le metriche di precisione tramite il dashboard intuitivo di Trajectory. Modelli di churn prediction per i team di marketing
Un’azienda SaaS con una base di clienti di 12 000 utenti vuole capire chi è più propenso a cancellare l’abbonamento. Il responsabile marketing importa i log di utilizzo, i dati demografici e le interazioni di supporto. Trajectory crea un modello di classificazione binaria, ottimizzando automaticamente i parametri di feature engineering e di modello. Il risultato è un file di output che indica il rischio di churn per ogni utente, con un’interfaccia grafica che permette di filtrare per segmenti di mercato e di esportare i risultati in un formato compatibile con il CRM. Il team può quindi attivare campagne di retention mirate, senza scrivere SQL o Python. Ottimizzazione della supply chain mediante forecasting basato su AI
Un produttore di componenti elettronici ha bisogno di prevedere la domanda per i prossimi 12 mesi per evitare sia sovrapproduzione che rotture di stock. Il reparto logistico importa i dati storici di vendita, le stagionalità e gli eventi promozionali in un file CSV. Trajectory utilizza un modello di serie temporali, come Prophet o LSTM, e lo addestra automaticamente, selezionando la configurazione migliore in base alla bontà di previsione. Il risultato è un forecast in formato JSON che può essere integrato direttamente nel sistema ERP tramite un semplice endpoint REST. Con questa visibilità, il team di supply chain può pianificare gli ordini di materie prime con un margine di sicurezza ridotto del 30 %, migliorando l’efficienza e riducendo i costi.
💡 Lo sapevi che: secondo studi di settore, le aziende che adottano piattaforme AI low-code per il churn prediction registrano un incremento medio del 15 % nel tasso di ritenzione entro 6 mesi dall’implementazione.
🎯 Consiglio pratico: inizia con un progetto pilota su un dominio di facile comprensione (es. supporto clienti) per dimostrare il valore ai decisori e poi scala verso use case più complessi come la supply chain.
In sintesi, Trajectory dimostra che l’accessibilità al machine learning non è più un lusso riservato ai data scientist. Con pochi clic, i professionisti possono costruire, testare e distribuire modelli AI che generano impatti misurabili in tempi brevi.
Rischi e limiti: quando la semplicità nasconde trappole invisibili
Trajectory promette di democratizzare l’addestramento dei modelli di intelligenza artificiale, ma c’è un dettaglio che non si può ignorare: la facilità d’uso non è sinonimo di sicurezza. Anzi, a volte può diventare un problema. Il rischio più sottile? Quello di credere che basti un clic per ottenere risultati affidabili, senza capire cosa c’è davvero dietro. Tre sono gli scenari in cui la mancanza di competenze tecniche può trasformarsi in una mina vagante: i bias nascosti nei dati, le vulnerabilità dei modelli e le maglie larghe della compliance.
Bias di sistema: quando l’IA ripete errori che nessuno vede
Un modello di intelligenza artificiale non è altro che uno specchio: riflette ciò che gli viene mostrato. Il problema? Se chi lo addestra non sa cosa sta guardando, può finire per amplificare pregiudizi senza rendersene conto. Basta un dataset sbilanciato, una fonte non diversificata, o peggio, un campione di dati che riproduce squilibri storici - e il modello li perpetua automaticamente.
Trajectory offre strumenti per personalizzare i modelli, ma senza una conoscenza minima di statistica e data science, l’utente medio potrebbe finire per accettare tutto ciò che la piattaforma propone. Un esempio? Un algoritmo di recruiting addestrato su dati aziendali datati potrebbe penalizzare candidati di genere femminile o con background etnici minoritari, semplicemente perché i numeri storici glielo suggeriscono. E se chi lo usa non sa come bilanciare il dataset? Il bias diventa invisibile, ma non per questo meno dannoso.
A dirla tutta, il problema non è solo teorico. Uno studio del MIT del 2023 ha rilevato che il 76% dei modelli di selezione del personale basati su AI presentava rischi di discriminazione, spesso perché i dataset non erano stati puliti o diversificati a dovere. Un data scientist avrebbe notato le discrepanze, un utente non esperto potrebbe semplicemente premere "Esegui" e sperare per il meglio.
Attacchi adversarial: quando bastano pochi pixel per mandare tutto in tilt
La sicurezza di un modello addestrato con strumenti no-code è un altro punto dolente. Un attacco adversarial può bastare: bastano input leggermente alterati - un’immagine con pixel quasi impercettibili, un testo con caratteri appena modificati - per far commettere al modello errori gravi. Il problema? Chi non ha competenze tecniche non sa nemmeno che esiste il rischio.
Ecco alcune misure che un utente non esperto potrebbe ignorare: Filtri di input per bloccare dati sospetti. Validazione incrociata per testare la robustezza del modello. Isolamento in sandbox*** (come un container Docker) per limitare i danni in caso di attacco.
Questo codice mostra come isolare un modello in un ambiente controllato. Ma se chi lo usa non sa cosa sta facendo? Il modello potrebbe essere esposto a overload, attacchi o malfunzionamenti.
Compliance: quando la legge non si ferma all’interfaccia
Poi c’è la questione normativa. GDPR, CCPA, regolamenti settoriali: tutte leggi che impongono tracciabilità, trasparenza e diritti degli utenti. Ma se chi addestra il modello non ha competenze tecniche, come fa a garantire la conformità?
Ecco alcuni errori comuni: Non documentare le fonti dei dati o le modifiche apportate. Ignorare l’auditability, rendendo impossibile dimostrare la conformità in caso di ispezione. Sottovalutare il right to explanation***, cioè il diritto degli utenti di chiedere spiegazioni sulle decisioni automatizzate.
Il punto è questo: anche la piattaforma più intuitiva non può sostituire una conoscenza di base. Se non si traccia ogni passaggio - dai dataset usati alle modifiche applicate - la compliance diventa una facciata.
🎯 Un consiglio (che non è scontato): Documenta tutto come se dovessi spiegarlo a un regolatore. Usa strumenti di logging automatico, anche semplici come questi:
Un setup basilare per tracciare le operazioni. Senza qualcosa del genere, la conformità è solo una parola vuota.
La vera domanda: chi si assume la responsabilità?
Trajectory sta cambiando le regole del gioco, ma la semplicità non può essere una scusa per trascurare la responsabilità. Il rischio non è solo tecnico, ma etico e legale. La sfida non è rendere l’AI accessibile a tutti, ma assicurarsi che chi la usa sappia cosa sta facendo - o almeno, che abbia gli strumenti per non finire con un modello che discrimina, che si fa hackerare o che viola le leggi.
In fondo, l’intelligenza artificiale non diventa democratica solo perché è facile da usare. Diventa responsabile quando chi la utilizza capisce - o almeno si fa aiutare a capire - cosa c’è dietro il pulsante "Esegui".
Implicazioni per i professionisti IT e prospettive future del mercato AI
L’arrivo di Trajectory segna una svolta nella distribuzione delle competenze AI all’interno delle organizzazioni. La piattaforma no-code non sostituisce il lavoro dei data scientist, ma lo ricompone, creando una nuova gerarchia di ruoli che richiedono capacità di orchestrazione, governance e monitoraggio più che di programmazione pura.
Nuove competenze richieste Con un’interfaccia drag-and-drop, i team di prodotto, marketing o risorse umane possono definire workflow di addestramento: selezionare dataset, scegliere un modello pre-addestrato, impostare iper-parametri e lanciare il training con un click. Il professionista IT diventa orchestratore di pipeline. È necessario saper: Configurare e versionare i workflow - comprendere come salvare una definizione di pipeline in un repository Git interno o in un tool di gestione dei processi (es. Apache Airflow) per garantire riproducibilità.
Implementare controlli di governance - definire policy di accesso ai dati sensibili, impostare limiti di spesa per il consumo di GPU e verificare la conformità a normative come GDPR.
Monitorare in tempo reale le metriche di performance - utilizzare dashboard integrate per tracciare loss, accuracy e drift dei dati, intervenendo rapidamente quando i modelli mostrano segni di degradazione.
Evoluzione della domanda di data scientist Il tradizionale profilo “data scientist-developer” sta subendo una saturazione di compiti ripetitivi. Le attività di preprocessing di base, di selezione di architetture standard e di tuning automatico saranno gestite dalla piattaforma. Di conseguenza: Maggior focus su problem-framing: i data scientist dovranno dedicare più tempo a definire il problema di business, a interpretare i risultati e a tradurre le insight in azioni operative.
Specializzazione in MLOps avanzato: la gestione di ambienti di produzione, la scalabilità su cloud ibrido e l’integrazione con sistemi legacy diventeranno le aree di maggior valore.
Ruolo di “AI coach”: esperti che affiancano i team no-tech, traducendo le esigenze di business in configurazioni di workflow e garantendo la qualità dei modelli.
Un esempio pratico: il dipartimento di customer care di una media azienda di e-commerce utilizza Trajectory per creare un modello di classificazione delle richieste di supporto. Il team di assistenza definisce il workflow, carica i log delle chat e, in pochi minuti, ottiene un modello pronto per l’integrazione con il CRM. Il data scientist dell’azienda interviene solo per validare il set di metriche e per impostare un alert di drift, riducendo il tempo di consegna da settimane a poche ore.
Prospettive di crescita del segmento low-code AI Il mercato delle soluzioni low-code per l’AI è ancora in fase di consolidamento, ma le dinamiche di adozione suggeriscono una crescita accelerata: Adozione globale: le imprese con budget limitati, soprattutto nei settori retail, manifatturiero e servizi, sono i primi a sperimentare queste piattaforme per ridurre la dipendenza da talenti specialisti.
Scalabilità verticale: man mano che le API di training diventano più efficienti, le organizzazioni potranno estendere l’uso a casi più complessi, come il fine-tuning di grandi modelli linguistici per applicazioni interne.
Ecosistemi integrati: l’interoperabilità con strumenti di data-catalog, data-governance e CI/CD favorirà la nascita di “AI factories” interne, dove il ciclo di vita del modello è gestito end-to-end senza interventi di codice manuale.
💡 Lo sapevi che… Le piattaforme no-code AI stanno già generando un “effetto moltiplicatore”: per ogni data scientist interno, si stima che possano collaborare efficacemente fino a cinque team non tecnici, amplificando il valore dell’investimento in AI.
In sintesi, l’avvento di Trajectory non elimina la figura del data scientist, ma la trasforma. I professionisti IT dovranno evolversi da costruttori di modelli a custodi di processi, mentre il mercato AI si apre a una platea più ampia di utenti, accelerando l’adozione su scala globale.
---
Seguimi sui Social
Resta aggiornato sulle ultime novità tech! Seguimi sui miei canali social per contenuti esclusivi e discussioni sulla tecnologia: LinkedIn - Articoli professionali e networking Facebook - Community e aggiornamenti
Non dimenticare di iscriverti alla newsletter per ricevere gli articoli direttamente nella tua inbox!
---
Fonti e Riferimenti Trajectory raccoglie 45 milioni di dollari per rendere l’addestramento di modelli AI accessibile a non esperti tecnici Sequoia Capital annuncia investimento in Trajectory Google Cloud Ventures supporta Trajectory con un round di 45 milioni